-
Die
Erfindung liegt auf dem Gebiet der Serienproduktion für Werkstücke und/oder
Fertigungsgüter.
-
Die
Erfindung betrifft ein Verfahren zur Prüfung eines Fertigungsgutes,
wobei mindestens ein ein Prüfkriterium
repräsentierender
Messwert des Fertigungsgutes erfasst wird, und wobei entschieden wird,
ob der erfasste Messwert innerhalb eines vorgegebenen Sollwertbereiches
liegt.
-
Die
Produktion von Werkstücken,
Fertigungsgütern
und/oder vollständigen
Aggregaten, alle im Folgenden allgemein als „Fertigungsgut" bezeichnet, beispielsweise
in der Automobilindustrie, unterliegt, insbesondere bei sicherheitsrelevanten
Teilen, einer sehr strengen Qualitätsüberwachung. Dies bedeutet,
dass jedes Fertigungsgut einer intensiven Prüfung unterzogen wird, bevor
es endgültig
verbaut und ausgeliefert wird.
-
Bei
einer Überprüfung eines
Fertigungsgutes kann es vorkommen, dass das Fertigungsgut bei einer
ersten Qualitätskontrolle
als nicht in Ordnung geprüft
wird, eine zweite Überprüfung jedoch
ohne Beanstandung passiert. Dies kann beispielsweise auf Temperaturschwankungen
oder Einlaufeffekte von gewissen Fertigungsgütern zurückgeführt werden. Wird ein Fertigungsgut
als fehlerhaft erkannt oder seine Qualitätsmerkmale sind nicht ausreichend, muss
es überarbeitet
werden.
-
Um
ein unnötiges Überarbeiten
der Fertigungsgüter
zu vermeiden, wird – wie
bereits gesagt – jedes
Fertigungsgut, welches bei einer ersten Prüfung als nicht in Ordnung erkannt
wird, ein zweites Mal überprüft.
-
Die
Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren
anzugeben, mit welchem ein zweites Überprüfen eines Fertigungsgutes,
welches eine erste Überprüfung nicht
bestanden hat, vermeidbar ist.
-
Die
Aufgabe wird bezogen auf das eingangs genannte Verfahren erfindungsgemäß dadurch
gelöst,
dass ein außerhalb
des Sollwertbereiches liegender Messwert mittels Referenzdaten analysiert wird,
wobei als Analyseergebnis eine Prognose dafür ermittelt wird, dass das
Fertigungsgut bei erneuter Entscheidung das Prüfkriterium erfüllen wird.
Mit dieser Vorgehensweise können
kostenintensive Mehrfachüberprüfungen zumindest
teilweise vermieden werden. Eine Datenanalyse, also die Analyse
der Messwerte bezüglich
der zu den Messwerten korrelierenden Referenzdaten lässt eine
statistisch signifikante Aussage über die Messwerte zu. Auch
im Bereich der Prozessautomatisierung, beispielsweise bei der Serienproduktion
von Fertigungsgütern,
fallen große
Datenmengen an. Diese Datenmengen lassen sich in vielfältiger Hinsicht
nutzen, z.B. für
die Analyse von Ursachen, die zu Qualitätsproblemen führen, oder
für eine
vorbeugende Wartung, beispielsweise um eine typische Reparaturreihenfolge
zu analysieren. Dabei wird mittels der Datenanalyse nach Korrelationen
zwischen einem Ereignis, insbesondere einem ermittelten Messwert,
und bestimmtem Messwertmustern gesucht.
-
In
einer bevorzugten Ausgestaltung der Erfindung werden erfasste Messwerte
zu mehreren Fertigungsgütern
zu den Referenzdaten zusammengefasst und archiviert. Archiviert
bedeutet hierbei, dass die Messwerte, vorzugsweise durch Speicherung
in beispielsweise einem Automatisierungssystem und/oder einen Leitrechner
für die
Zukunft bewahrt werden. Unter den erfassten Messwerten sind auch
solche Messwerte zu verstehen, die bereits bei einer Serienproduktion
von Fertigungsgütern,
vorzugsweise einer bestimmten Losgröße, erfasst wurden. So können große Datenmengen,
welche wertvolle Informationen enthalten, verwendet werden um "lernfähige Systeme" an ihre zukünftigen
Aufgaben zu adaptieren.
-
Weiterhin
ist es vorteilhaft, dass erfasste Messwerte desselben Fertigungsgutes
zu einem Prüfdatensatz
zusammengefasst werden. Für
eine spätere
Auswertung ist es besonders vorteilhaft, dass die Messwerte, welche
in einer geeigneten Auswahl den Gesamtcharakter eines Fertigungsgutes beschreiben,
zu einem Datensatz zusammengefasst werden.
-
Zweckmäßig ist
es, dass dem Prüfdatensatz eine
Fertigungsgut-Kennung
zugewiesen wird. Durch die Fertigungsgut-Kennung können beispielsweise Mehrfachüberprüfungen erkannt
und zusammengeführt
werden.
-
In
einer weiteren bevorzugten Ausgestaltung wird dem Prüfdatensatz
das Analyseergebnis zugewiesen. Nachdem ein Prüfdatensatz durch die Fertigungsgut-Kennung
eindeutig identifizierbar ist, wird dem Prüfdatensatz ein endgültiger Status
der Überprüfung oder
Analyse zugewiesen.
-
Vorzugsweise
werden mittels der Fertigungsgut-Kennung unterschiedliche Messergebnisse
desgleichen Fertigungsgutes zusammengeführt. Eine solche Zusammenführung ist
besonders vorteilhaft für
eine sehr einfache Art der Analyse. Liegt beispielsweise ein Messergebnis
von mehreren Überprüfungen in
dem geforderten Sollwertbereich so kann dem Fertigungsgut der Status
in Ordnung zugewiesen werden.
-
Eine
weitere Steigerung der Vorhersagekraft und/oder der Aussagekraft
der Qualitätsüberprüfung wird
dadurch erreicht, dass die Analyse mittels intelligenter Algorithmen,
insbesondere mittels "Data-Mining"-Algorithmen, durchgeführt wird. "Data-Mining" wird vorzugsweise
als eine Art Wahrscheinlichkeitsrechnung angewendet. Mit dem großen Vorteil,
dass auch verborgene Korrelationen aufgedeckt und damit nutzbar
gemacht werden können.
Auf diese Art lassen sich beispielsweise auch Schwankungen von Produktqualitätsgrößen verringern.
-
Vorzugsweise
wird mindestens eine der folgenden Methoden:
- a)
Analyse mittels eines Entscheidungsbaumes,
- b) Analyse mittels eines neuronalen Netzes,
- c) Analyse mittels eines Meta-Lern-Algorithmuses, insbesondere
einem "Bagging-Algorithmus",
- d) Analyse mittels Verfahren zur Regelinduktion,
- e) Analyse mittels eines adaptierten Modells,
- f) Analyse mittels Fuzzy-Algorithmen und/oder Fuzzy-Reglern,
angewendet.
-
Mit
Vorteil lassen sich in einem Großteil der Fälle die vorgenannten Methoden
anwenden, aber auch Bayesnetze und/oder Support-Vektor-Maschinen
können
genutzt werden.
-
Durch
die Verwendung einer Analysemethode oder einer Kombination von Analysemethoden, beispielsweise
neuronale Netzwerke und Entscheidungsbäume, können Fertigungsgüter erkannt
werden, welche bei einer zweiten Prüfung mit einer sehr hohen Wahrscheinlichkeit
als in Ordnung bzw. nicht in Ordnung erkannt werden.
-
Zusammengefasst
kann gesagt werden, dass "Data-Mining", also die Methoden
zur Analyse, ein automatisches Auswerten von Datenbeständen mit
Hilfe von beispielsweise statistischen Verfahren, künstlichen
neuronalen Netzwerken, Fuzzy-Logic, Clustering-Verfahren oder genetischen
Algorithmen ermöglicht.
-
Für die zuvor
genannten Verfahren und/oder Analysemethoden ist es von besonderem
Vorteil, dass eine Regelinduktion, insbesondere in einer Trainingsphase,
angewendet wird. Das Ziel der Regelinduktion ist beispielsweise
dass Aufspüren
von Regeln bzw. statistischen Auffälligkeiten in den Messwerten.
So lassen sich beispielsweise Änderungen und
Zusammenhänge
für bestimmte
Arten von Messwerten aufspüren.
Eine gewisse Vorhersage oder Strategie kann aus den gewonnenen Erkenntnissen abgeleitet
werden. Ein weiterer Vorteil der Regelinduktion liegt darin, dass
die Regeln von einem Experten analysiert werden können. Damit
können
Fehler vermieden werden.
-
Mit
Vorteil wird die Prognose für
mindestens einen, vorzugsweise mehrere zukünftige Überarbeitungsschritte ermittelt.
-
In
einer alternativen Ausgestaltung der Erfindung wird für die Prognose
hinsichtlich der Qualitätsmerkmale
des Fertigungsgutes, insbesondere eine "Gut-Schlecht-Aussage", ermittelt.
-
Zweckmäßig ist
es, dass für
die Prognose ein numerisches Attribut, insbesondere ein Mittelwert,
und/oder ein diskretes Attribut ermittelt wird. Die Ermittlung eines
diskreten Attributes ist im einfachsten Fall eine "Gut-Schlecht-Aussage", hingegen ist die
Ermittlung von numerischen Attributen eine Aussage, welche sich
auf Werte beziehen, die in der unmittelbaren Nähe einer Entscheidungsgrenze
liegen. Auch im Hinblick auf eine Trainingsphase oder einem Rückführen von
Ergebnissen in die Referenzdaten können Attribute geschaffen werden,
die eine Komplexität
senken und damit eine Interpretationsfähigkeit der generierten Lösung erhöhen. In
vielen Fällen liefern
die Analysealgorithmen keine binäre
Entscheidung, sondern einen numerischen Wert, der mit einer Entscheidungsgrenze
verglichen wird, um zu einer Vorhersage zu kommen. Der Abstand des
vorhergesagten numerischen Wertes zu der Entscheidungsgrenze liefert
aber auch Rückschlüsse auf
die Sicherheit der Vorhersage. Vorhersagen, die eng benachbart an
der Grenze liegen, sind naturgemäß mit einer größeren Unsicherheit
behaftet als Vorhersagen, die weit von der Grenze entfernt sind.
Durch diese Tatsache kann die Sicherheit der Vorhersage gesteigert werden,
indem vorzugsweise für
Fertigungsgüter,
deren Vorhersage-Wert weit von einem Grenzwert entfernt ist, auf
die Vorhersage des intelligenten Algorithmus vertraut wird. Fertigungsgüter bei
denen eine sichere Vorhersage nicht möglich ist, werden auf konventionellem
Wege weiterverarbeitet.
-
Vorteilhaft
ist, dass aus mehreren Fertigungsgütern ein Aggregat zusammengesetzt
wird. Dabei ist es von besonderem Vorteil, dass einzelne Fertigungsgüter schon
vor dem Zusammen setzen geprüft
werden. Wird schon vor dem Zusammensetzen ein Fehler gefunden, so
spart man sich im Fehlerfall die Kosten für den Zusammenbau und, falls das
ganze Aggregat im Fehlerfalle entsorgt wird, die Kosten für die intakten
Bauteile, die verbaut wurden. Generell gilt: Je früher ein
Fehler erkannt wird, desto höher
ist die Kostenersparnis.
-
Vorzugsweise
wird eine Qualitätsaussage
für das
Aggregat ermittelt. Sind aufgrund der Analysedaten von einzelnen
Fertigungsgütern
die Attribute oder Qualitätsmerkmale
bekannt, können
sie auch zusammenfassend auf ein Aggregat angewendet werden.
-
Ein
bevorzugtes, jedoch keinesfalls einschränkendes Ausführungsbeispiel
der Erfindung wird nunmehr anhand der Zeichnung näher erläutert. Zur
Verdeutlichung ist die Zeichnung nicht maßstäblich ausgeführt, und
gewisse Merkmale sind nur schematisiert dargestellt. Im Einzelnen
zeigt die
-
1 eine
funktionelle Darstellung einer Datenerfassung für einen Produktionsprozess,
-
2 ein
prinzipieller Verfahrensablauf nach der Erfindung mit einer Datenanalyse
und Entscheidungsprozessen,
-
3 eine
Automatisierungslösung
innerhalb eines Produktionsprozesses.
-
In 1 ist
ein Produktionsprozess 12 mit anschließender Qualitätsüberprüfung 7 dargestellt. In
dem Produktionsprozess 12 werden in einer Serienfertigung
Fertigungsgüter 11,
z.B. Pumpen, produziert. Mittels der Qualitätsüberprüfung 7 werden von jedem
Fertigungsgut 11 Messwerte 1 bis 5 erfasst, beispielsweise
eine Spannung, eine Temperatur, eine Stromstärke, ein Druck und eine Information über das
Vorhandensein einer Komponente. Die erfassten Messwerte 1 bis 5 werden
zumindest teilweise zu einem Prüfdatensatz 10 zusammengestellt. Dem
Prüfdatensatz 10 wird
eine eindeutige Fertigungsgut-Kennung ID zugewiesen. In der Qualitätsüberprüfung 7 findet
bereits eine Entscheidung, ob die Messwerte 1 bis 5 in
ihren Sollwertbereichen liegen, statt.
-
Die
Messwerte 1 bis 5 oder der Prüfdatensatz 10 werden
an eine Datenaufbereitung 8 übertragen. Anhand der Fertigungsgut-Kennung ID werden Daten
gleicher Fertigungsgüter 11 in
der Datenaufbereitung 8 zusammengeführt. Eine Zuordnung zu klassenspezifischen
Eigenschaften ist ebenso Bestandteil der Datenaufbereitung 8.
An die Datenaufbereitung 8 schließt sich ein überwachtes
Lernen 9 an. Während
dem überwachten
Lernen 9 wird anhand der aufbereiteten Daten aus 8 ein
Modell erstellt, das in der Lage ist, das Ergebnis einer zweiten
Qualitätsüberprüfung vorherzusagen.
Hierbei ist zu beachten, dass nur während des Trainingsprozesses
die aufbereiteten Daten benötigt
werden, im produktiven Betrieb reicht der Prüfdatensatz 10 aus.
-
Zum
Aufstellen und Trainieren des mathematischen Modells werden dazu
eine feste Anzahl an Klassen und Beispielen von Klasseninstanzen
und deren Attributwerten aufgestellt. Ein Entscheidungsbaum wird
mit einem C4.5 Algorithmus aus „J. R. Quinlan, (1993), C4.5
Programs for Machine Learning" trainiert.
-
Zum
Aufnehmen einer Erkennungsrate von Fertigungsgütern 11, welche letztendlich
nicht in Ordnung sind, wird eine 5-fache Crossvalidation durchgeführt. Um
möglichst
realitätsnahe
Ergebnisse zu erzielen werden Klassifikationsalgorithmen daher nur mit
Daten trainiert, die von Fertigungsgütern stammen, die bei der ersten
Prüfung
als nicht in Ordnung NIO geprüft
wurden. Da Trainings- und Testmenge dabei disjunkt sind, wird auch
später
im praktischen Betrieb die geforderte Erkennungsrate erreicht.
-
2 zeigt
die Auswertung und die Verfahrensschritte der Qualitätsüberprüfung 7 für den Produktionsprozess 12.
Die aus dem Produktionsprozess 12 von den Fertigungsgütern 11 erfassten Messwerte 1 bis 5 bzw.
der Prüfdatensatz 10 werden einer Erst-Bewertung 14 zugeführt. Mittels
der Erst-Bewertung 14 wird entschieden, ob der erfasste Messwert 1 bis 5 jeweils
innerhalb eines vorgegebenen Sollwertbereiches liegt. Liegt der
oder liegen die erfassten Messwerte 1 bis 5 innerhalb
ihres Sollwertbereiches so wird anhand der Erst-Bewertung 14 eine
Entscheidung für
eine erste Handlungsalternative 15 getroffen. Das Fertigungsgut 11 mit
seiner Fertigungsgut-Kennung
ID hat also die geforderten Qualitätskriterien bestanden und wird
als in Ordnung IO erklärt.
Die Prüfung
ist somit bestanden und die Auslieferung 20 des Fertigungsgutes 11 kann
beginnen.
-
Fällt in der
Erst-Bewertung 14 die Entscheidung auf eine zweite Handlungsalternative 16,
welches gleichzeitig bedeutet, dass mindestens einer der erfassten
Messwerte 1 bis 5 außerhalb seines vorgegebenen
Sollwertbereiches liegt, so werden die Messwerte 1 bis 5 einer
Analyse 22 zugeführt.
Anhand des in Schritt 9 (1) gelernten
Modells wird der Prüfdatensatz 10 analysiert,
was zu einer Vorhersage 24 führt. Als Modell wird ein Entscheidungsbaum
mit drei Regeln oder allgemein ein neuronales Netz NN (hier nicht
dargestellt) angewendet.
-
Der
erste Messwert 1 repräsentiert
einen angelegten Spannungswert von 4,2 V, der zweite Messwert 2 steht
für einen
Umgebungs-Temperaturwert von 68,3°C,
der dritte Messwert 3 beschreibt eine aufgenommene Stromstärke von
5,1 A und der vierte Messwert gibt einen Förder-Druck von 20,1 bar an. Der
fünfte
Messwert gibt eine Aussage über
eine eingelegte Distanzscheibe Null deutet auf ein Fehlen der Distanzscheibe
hin. Da der Förderdruck
mit 20,1 bar seinen Sollwertbereich von 19,8–20,0 bar überschritten hat, ist bei dem
Fertigungsgut 11 mit dem zugehörigen Messwert des Förderdruckes
von 20,1 bar ein Qualitätskriterium
verletzt, welches ohne erfindungsgemäße Vorgehensweise zu einer
sofortigen Aussonderung und/oder zu einer erneuten Messung führen würde.
-
Da
aber nicht zwingend das Fertigungsgut 11 auf Grund eines
einzelnen außerhalb
seines Sollwertbereiches liegenden Messwertes als nicht in Ordnung
erklärt
werden muss und eine erneute Messung vermieden werden soll, wird
im Beispiel gemäß der Erfindung
eine Aussage oder Vorhersage, ob das Fertigungsgut 11 in
Ordnung ist oder nicht, dadurch getroffen werden, dass die Messwerte 1 bis 5 mit
den folgenden drei Regeln überprüft werden.
Regel
1: 4V < Messwert 1 AND
Messwert 2 > 67,6°C THEN IO
Regel
2: Messwert 3 ≥ 5A
AND Messwert 4 ≤ 21
bar THEN IO
Regel 3: Messwert 5 ≠ 0 THEN IO
-
Durch
Einsetzen der aktuellen Messwerte 1 bis 5 in die
Regeln 1 bis 3 werden folgende Teilergebnisse abgeleitet: „4V ≤ 4,2 V AND
68,3°C > 67,6 °C THEN IO".
-
Regel
1 liefert als ein erstes Teilergebnis, dass das Fertigungsgut 11 in
Ordnung IO ist. Obwohl der Förderdruck
nicht innerhalb seines Sollwertbereiches liegt wird mit Regel 2 „5,1 A ≤ 5A AND 20,1 ≤ 21 bar THEN
IO" ein zweites
Teilergebnis bereitgestellt, welches das Fertigungsgut 11 als
in Ordnung IO einstuft. Da der fünfte
Messwert 5 einen Wert ungleich Null aufweist, wird mit
Regel 3 einem dritten Teilergebnis auch der Status Fertigungsgut 11 in
Ordnung IO zugewiesen.
-
Nach
der Regelauswertung lautet das Gesamtergebnis der Vorhersage 24:
Fertigungsgut 11 in Ordnung. Da die Regeln „Experten-Wissen" widerspiegeln, wird
entgegen der negativen Aussage eines einzelnen Messwertes das Gesamtergebnis
positiv, weil die Messwerte in ihrer Korrelation zueinander bewertet
wurden.
-
Dadurch
wird in der Vorhersage 24 eine Handlungsalternative 26 gewählt. Die
Handlungsalternative 26 sagt aus, dass das Fertigungsgut 11 nach
erfolgter Analyse 22 die geforderten Qualitätsmerkmale
erfüllt.
Das Fertigungsgut 11 ist somit als in Ordnung erkannt worden
und kann der Auslieferung 20 zugeführt werden.
-
Die
Vorhersage 24 besitzt zwei weitere Handlungsalternativen 27 und 28.
Die Handlungsalternative 27 setzt die Entscheidung voraus,
dass das Fertigungsgut auch nach der Analyse 22 als nicht
in Ordnung NIO erkannt wurde. Das Fertigungsgut 11 hat
mit der Entscheidung für
die Handlungsalternative 27 die Qualitätsprüfung nicht bestanden und es
erfolgt eine Aussonderung 30. Für den Fall, dass keine Entscheidung
getroffen werden kann, wird das Fertigungsgut 11 erneut
der Überprüfung 7 zugeführt.
-
Durch
den Einsatz eines „Data-Mining"-Algorithmus in der
Analyse 22 wird die Durchführung von Doppelmessungen vermieden
oder zumindest stark reduziert.
-
3 zeigt
ausschnittsweise die Anwendung des Verfahrens nach der Erfindung
zur Prüfung des
Fertigungsgutes 11 in einem Produktionsprozess 12 mittels
vernetzten Automatisierungskomponenten. Ein Mess-Rechner 40 erfasst
die in 1 und 2 dargestellten Messwerte 1 bis 5.
Eine Arbeitsstation 42, umfassend ein Data-Mining Konfigurations-System 44,
steht über
ein Industrial-Ethernet 41 mit dem Mess-Rechner 40 und
einem Automatisierungs-System 46 in Verbindung. Das Data-Mining Konfigurations-System
oder ein „Data
Mining Tool" besitzt
Mittel, um die erzeugten Modelle zu exportieren, in das Automatisierungssystem 46 zu
laden und im Produktions- und Prüfprozess
zu nutzten. Das Automatisierungs-System 46 weist ein neuronales
Netz NN auf. Das neuronale Netz NN ist mittels Datenbausteinen und
Funktionsbausteinen innerhalb des Automatisierungsgerätes als
Software-Lösung
implementiert. Über
das „Data-Mining" Konfigurations-System 44 kann
das neuronale Netzwerk NN grundsätzlich
neu konfiguriert werden oder auch an sich verändernde Messbedingungen oder
Auswertebedingungen angepasst werden. Die Messwerte 1 bis 5,
welche mittels des Mess-Rechners 40 erfasst und über das
Industrial-Ethernet 41 an das Automatisierungssystem 46 weitergegeben
wurden, werden mittels des in 2 dargestellten
Ablaufs und durch das neuronale Netzwerk NN analysiert. Das neuronale
Netzwerk NN ermittelt als Analyseergebnis eine Wahrscheinlichkeit
dafür,
dass das Fertigungsgut 11 in Ordnung IO, also direkt verbaut
werden kann, oder dass das Fertigungsgut 11 nicht in Ordnung
NIO ist, also einer erneuten Analyse unterzogen werden muss oder
einem weiteren Überarbeitungsschritt
zugeführt
werden muss.